V članku smo predstavili nov pristop za analizo hierarhičnih kompozicionalnih modelov, ki ohranja lastnosti generativnih hierarhičnih modelov, hkrati pa izboljša diskriminativne lastnosti. To dosežemo z vpeljavo mreže diskriminativnih vozlišč preko obstoječe generativne hierarhije. Diskriminativna vozlišča so redke linearne kombinacije aktiviranih generativnih delov. Eksperimentalno smo pokazali, da diskriminativna vozlišča konsistentno izboljšajo napredni hierarhični kompozicionalni model. Rezultati kažejo, da naš model določi zgolj majhno diskriminativno podmnožico (manj kot 10%) vseh vozlišč, kar poveča računsko učinkovitost sistema.
COBISS.SI-ID: 9952852
Predlagali smo nov pristop k sprotnem ocenjevanju generativnih modelov, ki temeljijo na ocenjevanju porazdelitev verjetnosti. Kot teoretični okvir smo izbrali ocenjevanje porazdelitev z jedri (angl, Kernel Density Estimation, KDE). Pristop posodablja in vzdržuje neparametrični model vhodnih podatkov, iz njih pa izračunava KDE. Predlagali smo princip za sprotno ocenjevanje velikosti jeder, ter metodo za kompresijo/revitalizacijo. Rezultati kažejo, da predlagana metoda daje primerljive ali boljše rezultate kot ostale metode, ob tem pa generira modele, katerih kompleksnost je bistveno nižja.
COBISS.SI-ID: 8289876
Za razpoznavo velikega števila kategorij objektov je potrebno zgraditi taksonomijo vizualnih razredov, da bi dosegli logaritemski čas detekcije v odvisnosti od števila razredov. V tem članku predlagamo nov pristop k pospešitvi razpoznavanja veliko razredov, pri katerem uporabljamo hierarhični pristop reprezentacije objektov. Osrednja ideja je zgraditev konstalacijskih modelov, ki segajo od “grobe” do bolj “fine” resolucije in te modele uporabiti za učinkovito strategijo pregledovanja kandidatov pri detekcijah. Pristop je uporabljen na modelu, ki temelji na hierarhiji delov (hierarchy-of-parts).
COBISS.SI-ID: 8255828
Predlagali smo arhitekturo za detekcijo vizualnih objektov primerno za spletno storitev, ki, teče na distribuiranem grozdu računalnikov. Z implementacijo hierarhičnih kompozicionalnih modelov na distribuiranem sistemu smo omogočili "skalabilnost" algoritma na večje število slik potrebnih za procesiranje večjega števila kategorij z večjim obsegom slik. Distribuiran sistem smo implementirali z uporabo večjedernih procesnih enot (multi-core CPU) ter z uporabo platform namenjenih za obdelavo velike količine podatkov (big data), ki obsegajo večje število računalnikov. Kot del procesiranja velike količine podatkov smo implementirali algoritme učenja hierarhičnega kompoziconalnega modela na platformi Hadoop in algoritme detekcije objektov na platformi Storm. Slednja implementacija za detekcijo objektov je tudi del javno dostopne spletne storitve ViCoS-Eye.
COBISS.SI-ID: 10008916
Predlagali smo nov pristop k sledenju s pomočjo hierarhičnega vizualnega modela. Razvili smo nov verjetnostni model za sledenje nerigidnih objektov. Model je dvo-slojni, zgornji sloj sestavlja globalna informacija o izgledu objekta, medtem, ko na spodnjem sloju ohranjamo lokalno informacijo. Lokalni sloj je sestavljen iz knjižnice osnovnih vizualnih elementov. Ti vizualni elementi so šibko sklopljeni v konstalacijo, ki se lahko deformira med sledenjem. V ta namen smo razvili nov statistični model in predlagali optimizacijsko metodo, s katero lahko zelo učinkovito prilagajamo model tarči in jo sledimo ob hitrih signifikantih deformacijah, kakor tudi med delnim zakrivanjem. Predlagan model je preizkus nekaterih delov teorije hierarhičnih modelov na primeru sledenja objekta. Razvit sledilnik nam bo pri nadaljnem delu omogočal sledenje kategorij objektov v sekvencah, kar nam bo omogočalo zajem baze artikuliranih objektov. Slednji bodo uporabljeni za izboljšanje učenja hierarhije za detekcijo kategorij objektov. Revija, v kateri smo objavili prispevek, je po rangu prva revija na področju računalniškega vida.
COBISS.SI-ID: 9431124